“4+1 View”。 “UML”：又称统一建模语言或标准建模语言，是一个支持模型化和软件系统开发的图形化语言，为软件开发的所有阶段提供模型化和可视化支持。 “4+1 View”：是一组相关联模型的集合，从不同的视角，反映不同利益干系人的关注点。通过逻辑、开发、部署、运行4个典型

查看更多 →

自动学习简介 自动学习功能介绍 ModelArts自动学习是帮助人们实现模型的低门槛、高灵活、零代码的定制化模型开发工具。自动学习功能根据标注数据自动设计模型、自动调参、自动训练、自动压缩和部署模型。开发者无需专业的开发基础和编码能力，只需上传数据，通过自动学习界面引导和简单操作即可完成模型训练和部署。

查看更多 →

Standard模型训练 ModelArts Standard模型训练提供容器化服务和计算资源管理能力，负责建立和管理机器学习训练工作负载所需的基础设施，减轻用户的负担，为用户提供灵活、稳定、易用和极致性能的深度学习训练环境。通过ModelArts Standard模型训练，用户可以专注于开发、训练和微调模型。

查看更多 →

本节介绍Fabric服务的主要应用场景。 数据工程 高效处理大规模数据，通过并行计算加速数据处理过程，例如数据清洗、转换和聚合。 分布式机器学习 Ray支持分布式训练和调优，可以用于处理大规模数据集和模型，使得模型训练更加高效。 大模型 使用大模型实现智能对话、自动摘要、机器翻译、文本分类、图像生成等任务。

查看更多 →

峰值 显示训练算法CPU、GPU和 RAM 使用过程中的峰值。 训练状态为RUNNING时，可以执行此按钮停止训练任务。 查看验证任务的详细情况，包括系统日志、运行日志、运行图和Tensorboard。 删除训练任务。 查看优化报告。 打包训练模型。 说明： 仅训练成功的模型支持打包。

查看更多 →

warmup_ratio 学习率热启动比例 学习率热启动参数，一开始以较小的学习率去更新参数，然后再使用预设学习率，有效避免模型震荡。 表4 LoRA参数配置说明 参数英文名 参数中文名 参数说明 lora_rank 秩 LoRA微调中的秩。 lora_alpha 缩放系数 LoRA微调中的缩放系数。

查看更多 →

模型评估 训练时的评估指标是用训练的数据集中随机采样的记录计算的，完成训练后企业A也可以使用其他的数据集对同一个模型进行多次的评估。单击“发起评估”选择训练参与方不同的数据集即可发起模型评估。 至此使用可信联邦学习进行联邦建模的过程已经完成，企业A已经训练出了一个符合自己要求的算

查看更多 →

字符串 模型文件的路径。 可根据自己在新建技能>填写技能内容时上传模型的方式查看模型文件的路径。 方式一：在“模型”字段添加多个模型。此时获取模型路径请参见获取模型路径。 方式二：提前将多个模型和代码一起打包上传至OBS，“代码上传方式”选择“从OBS上传文件”。此时模型文件的路

查看更多 →

模型主题市场模块展示。 描述 填写对此模型的描述信息。 上传图标 此模型的展示图标，可自定义，也可使用默认图标。支持PNG和JPG格式，最大不超过1MB。 配置DIY页面。 用户可根据实际情况自定义配置模型主题的架构图。 单击“添加DIY页面”按钮，填写名称和选择是否展示，即在模

查看更多 →

新建模型失败 问题描述 新建数据模型时，提示保存失败。 处理方法 检查数据模型度量数据的“聚合类型”函数设置是否合理，比如“聚合类型”设置为求和“sum”函数，这种情况会导致数据建模保存报错。 父主题： 运营中心

查看更多 →

选择。 避免灾难性遗忘：在传统训练中，新数据可能会覆盖旧数据的知识，导致模型忘记之前学到的内容。增量训练通过保留旧知识的同时学习新知识来避免这个问题。 增量训练在很多领域都有应用，比如 自然语言处理 、计算机视觉和推荐系统等。它使得AI系统能够更加灵活和适应性强，更好地应对现实世界中不断变化的数据环境。

查看更多 →

创建模型不同方式的场景介绍 AI开发和调优往往需要大量的迭代和调试，数据集、训练代码或参数的变化都可能会影响模型的质量，如不能统一管理开发流程元数据，可能会出现无法重现最优模型的现象。 ModelArts的模型可导入所有训练生成的元模型、上传至对象存储服务（OBS）中的元模型和容

查看更多 →

创建用于上传训练数据和结果数据导出的OBS桶，企业业务系统定时向该桶上传更新数据和下载结果数据； 函数工作流 ：用于实现调用销量预测服务的业务逻辑，完成模型的自动部署。 销量预测服务：提供分时销量预测服务，可灵活调整预测时间点，根据历史销量、商品属性、促销活动等基础信息训练得到准确的预测模型。

查看更多 →

系统自动列出模型训练服务上当前已经归档的模型包，用户可以通过勾选单个或多个模型包进行打包。 如果需要引入外部模型文件，可不勾选模型列表中的模型，系统将会创建一个模型包模板，用户可以通过对空模型包进行编辑操作，添加模型文件。 模型描述 模型包的描述信息。 单击“打包”，系统提示模型打包成功。

查看更多 →

Learning，简称SSL）是一种机器学习方法，它从未标记的数据中提取监督信号，属于无监督学习的一个子集。该方法通过创建“预设任务”让模型从数据中学习，从而生成有用的表示，可用于后续任务。它无需额外的人工标签数据，因为监督信号直接从数据本身派生。 有监督学习 有监督学习是机器学习任务的一种。它从有

查看更多 →

训练型横向联邦作业流程 联邦学习分为横向联邦及纵向联邦。相同行业间，特征一致，数据主体不同，采用横向联邦。不同行业间，数据主体一致，特征不同，采用纵向联邦。xx医院的应用场景为不同主体的相同特征建模，因此选用横向联邦。 创建训练型横向联邦学习作业。 图1 创建训练型横向联邦学习作业

查看更多 →

使用 TICS 可信联邦学习进行联邦建模 场景描述 准备数据 发布数据集 创建可信联邦学习作业 选择数据 样本对齐 筛选特征 模型训练 模型评估 父主题： 纵向联邦建模场景

查看更多 →

发环境、模型训练、模型管理、部署上线等端到端的AI开发工具链。 Standard的自动学习可以帮助用户零代码构建AI模型。自动学习功能根据标注数据自动设计模型、自动调参、自动训练、自动压缩和部署模型。开发者无需专业的开发基础和编码能力，只需上传数据，通过自动学习界面引导和简单操作

查看更多 →

Standard模型训练 使用ModelArts Standard自定义算法实现手写数字识别 基于ModelArts Standard运行GPU训练作业

查看更多 →

创建联邦学习工程，编写代码，进行模型训练，生成模型包。此联邦学习模型包可以导入至联邦学习部署服务，作为联邦学习实例的基础模型包。 在联邦学习部署服务创建联邦学习实例时，将“基础模型配置”选择为“从NAIE平台中导入”，自动匹配模型训练服务的联邦学习工程及其训练任务和模型包。 创建联邦学习工程步骤如下。

查看更多 →

Workflow是开发者基于实际业务场景开发用于部署模型或应用的流水线工具，核心是将完整的机器学习任务拆分为多步骤工作流，每个步骤都是一个可管理的组件，可以单独开发、优化、配置和自动化。Workflow有助于标准化机器学习模型生成流程，使团队能够大规模执行AI任务，并提高模型生成的效率。 ModelArts

查看更多 →